PowerShell 5解析HTML时figcaption内容无法正常获取问题求助

云上老周

2026-7-18

PowerShell 5解析HTML时figcaption文本无法获取的问题

问题场景

待解析的HTML内容：

<!DOCTYPE html>
<html lang="en">

<head>
    <meta charset="utf-8">
</head>

<body>
    <figure>
        <img src="content/test.svg" alt="">
        <figcaption>Test caption.</figcaption>
    </figure>
</body>
</html>

使用以下PowerShell代码解析时，div、p、table等标签正常处理，但无法获取<figcaption>中的文本：

$html = New-Object -Com "HTMLFile";
$html.IHTMLDocument2_write($htmlContent);
$allTags = $html.all;
$allTags[8].tagName # 结果为FIGURE
$allTags[9].tagName # 结果为/FIGURE

异常现象：

$allTags[8].outerHTML仅返回<FIGCAPTION>，$allTags[9].outerHTML仅返回</FIGCAPTION>，innerHTML为空
$html.documentElement.outerHTML仍完整包含figcaption文本

原因分析

你使用的HTMLFile COM对象依赖旧版IE渲染引擎，对HTML5新增标签（如<figcaption>、<figure>）支持不完善，会错误地将闭合标签解析为独立元素，导致标签内的文本无法被正确关联到对应元素上。

解决办法

方法1：改用`mshtml.HTMLDocumentClass`初始化文档

# 初始化HTML文档
$html = New-Object -ComObject mshtml.HTMLDocumentClass
$html.write($htmlContent)
$html.close()

# 获取figcaption元素及文本
$figcaption = $html.getElementsByTagName("figcaption") | Select-Object -First 1
$figcaption.innerText # 输出：Test caption.

方法2：修复`HTMLFile`的编码写入方式

如果必须使用HTMLFile，可先将HTML内容转为UTF-8字节流再写入，避免编码问题引发的解析异常：

# 将HTML内容转为UTF-8字节流
$utf8Bytes = [System.Text.Encoding]::UTF8.GetBytes($htmlContent)

$html = New-Object -Com "HTMLFile"
$html.write([byte[]]$utf8Bytes)
$html.close()

# 获取figcaption元素
$figcaption = $html.all | Where-Object { $_.tagName -eq "FIGCAPTION" }
$figcaption.innerText # 输出：Test caption.